Question

我有某种日志文件，我想阅读和分析。不幸的是，文件被保存在一个漂亮的＆＃34;丑陋的＆＃34;方式（中间有很多特殊字符），所以我不能只读取每一个作为条目的行。分隔不同条目的唯一方法是使用正则表达式，因为每个条目的开头都遵循指定的模式。

我的第一种方法是识别字符向量中的模式（我使用readr-package中的read_file）并使用相应的位置将向量与strsplit分开。不幸的是，这些位置似乎并不总是匹配，因为结果并不总是与条目相对应（我猜这是特殊字符的问题）。

该文件的典型行如下所示：

16/10 / 2017,21：51 - George：这是一个典型的条目

相应的正则表达式如下所示：

([[:digit:]]{2})/([[:digit:]]{2})/([[:digit:]]{4}), ([[:digit:]]{2}):([[:digit:]]{2}) - ([[:alpha:]]+):

我想要的第一件事是data.frame，每行对应一个特定的条目（下一步我将图案分成不同的部分）。

到目前为止我尝试了以下内容：

regex.log = "([[:digit:]]{2})/([[:digit:]]{2})/([[:digit:]]{4}), ([[:digit:]]{2}):([[:digit:]]{2}) - ([[:alpha:]]+):"
log.regex = gregexpr(regex.log, file.log)[[1]]
log.splitted = substring(file.log, log.regex, log.regex[2:355]-1)

可以看出，这个日志文件有355个条目。第一个正确分开。如何使用正则表达式分离字符向量而不丢失正则表达式/模式的信息？

Answer 1

使用捕获和非捕获组来识别要保留的部分，并确保使用锚点：

file.log  =  "16/10/2017, 21:51 - George: This is a typical entry here"
regex.log = "^((?:[[:digit:]]{2})\\/(?:[[:digit:]]{2})\\/(?:[[:digit:]]{4}), (?:[[:digit:]]{2}):(?:[[:digit:]]{2}) - (?:[[:alpha:]]+)): (.*)$"

gsub(regex.log,"\\1",file.log)
>> "16/10/2017, 21:51 - George"
gsub(regex.log,"\\2",file.log)
>> "This is a typical entry here"

R - 使用正则表达式拆分字符向量

1 个答案: